Des centaines de millions de cas de maladie à coronavirus 2019 (COVID-19) ont été documentés au cours des deux dernières années au cours de la pandémie en cours causée par le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2). Bon nombre d’entre eux étant suffisamment graves pour mériter une hospitalisation, la recherche s’est concentrée sur la façon dont les patients individuels peuvent être stratifiés en fonction du risque afin de garantir que les ressources de soins de santé toujours limitées sont allouées à ceux qui en ont vraiment besoin.
Un nouvel article décrit un modèle de risque lié à l’âge qui a été optimisé à cette fin.
Introduction
Bien que la plupart des personnes atteintes de COVID-19 aient des infections asymptomatiques ou bénignes, une minorité significative développe une maladie grave nécessitant une hospitalisation, une supplémentation en oxygène et/ou une admission en unité de soins intensifs (USI). Les facteurs de risque de maladie grave comprennent l’augmentation de l’âge et la présence de conditions médicales chroniques associées à l’immunosuppression et/ou à l’inflammation. Ceux-ci comprennent les facteurs de risque cardiovasculaire tels que l’hypertension, le diabète, le syndrome métabolique, les maladies pulmonaires chroniques et les maladies rénales chroniques, ainsi que les patients ayant subi une greffe d’organe solide ou un cancer.
Comprendre le risque d’un individu donné est important lors de la sélection du niveau de soins auquel ce patient doit être affecté lors de la prise de décisions cliniques et pour une recherche précise. Des études antérieures ont utilisé l’apprentissage automatique pour aider à classer les résultats du COVID-19 en fonction des paramètres d’admission. Une analyse plus approfondie peut identifier des facteurs de risque spécifiques au niveau individuel et de la population.
Les deux, cependant, proviennent principalement d’études menées dans des centres supérieurs ou spécialisés, montrent une occurrence plus fréquente d’événements indésirables que ce qui est couramment observé ailleurs, utilisent des paramètres qui ne sont généralement pas mesurés dans la plupart des contextes cliniques et n’analysent pas les différences de facteurs de risque dans patients hospitalisés par tranche d’âge.
L’étude actuelle, publiée en ligne dans Rapports scientifiques, vise à utiliser des modèles d’apprentissage automatique sophistiqués qui stratifient les données des patients par groupe d’âge pour prédire la progression de la maladie chez près de 7 000 patients étudiés dans les hôpitaux communautaires.
L’étude s’est déroulée sur une période de prédominance de la variante Delta, mais après que le taux de mortalité ait diminué avec les nouveaux protocoles de soins. Les chercheurs n’ont utilisé que les tests qui sont couramment utilisés chez tous les patients COVID-19.
Qu’a montré l’étude ?
Les patients de cette étude ont eu des résultats graves dans un peu plus d’un dixième des cas. Dans tous les cas, l’indice de masse corporelle (IMC), l’âge et le sexe étaient associés à une maladie grave.
Lorsqu’ils sont divisés par âge entre 18 et 50 ans par rapport à ceux de plus de 50 ans, ils ont également trouvé des associations entre le risque de maladie grave dans le premier groupe et l’insuffisance cardiaque et la cardiomyopathie. Dans ce dernier groupe d’âge, cependant, les facteurs de risque de maladie grave comprenaient la démence et l’utilisation de vasopresseurs dans l’heure suivant l’admission avec COVID-19 ou le premier test positif pour la maladie.
Lorsque les signes vitaux (tension artérielle, fréquence cardiaque, fréquence respiratoire, saturation en oxygène et température corporelle) ont été regroupés en un seul indicateur, en plus des facteurs ci-dessus, les classificateurs résultants ont bien fonctionné pour distinguer les vrais positifs des vrais négatifs.
En utilisant l’algorithme appelé Gradient Boosting Decision Tree (GBDT), le taux de vrais positifs le plus élevé dans le sous-groupe plus jeune était de 75 %, comparable au taux de vrais négatifs de 74 %, l’aire sous la courbe de l’opérateur du récepteur (AUROC) étant de 78 % , indiquant des performances raisonnablement bonnes.
Dans le groupe plus âgé également, cet algorithme a produit des taux de vrais positifs supérieurs à 72 %, avec un vrai négatif de 73 %. L’AUROC de 81 % indique à nouveau la capacité de cette approche à prédire la progression de la maladie avec une précision raisonnable.
La même approche a également permis d’évaluer les performances du modèle dans tous les groupes d’âge, montrant qu’il fonctionne avec une valeur AUROC d’environ 80 % dans tous les groupes jusqu’à 56 jours à compter du premier test positif. La prédiction de la mortalité a également montré une précision globale de 82%, avec 79% pour les sous-groupes les plus jeunes et 75% pour les plus âgés.
Quelles sont les implications ?
Les modèles de risque utilisés dans cette étude ont différencié les facteurs de risque de progression de la maladie chez les patients plus jeunes et plus âgés, permettant, pour la première fois, une prédiction de la gravité en fonction de l’âge chez les adultes hospitalisés pour COVID-19 au début de l’évolution de la maladie, à plusieurs moments. . Contrairement à la plupart des modèles antérieurs, ces résultats sont basés sur des tests et des signes vitaux administrés en routine.
Surtout, l’étude a montré que les résultats d’admission, en termes de signes vitaux et de données de laboratoire, l’emportaient sur la présence d’une maladie sous-jacente en tant que facteur prédictif des issues critiques et mortelles du COVID-19. Cette compréhension est probablement le résultat de l’utilisation du GBDT, un modèle d’ensemble séquentiel qui supprime l’effet de l’âge du risque prédit, permettant ainsi de voir clairement les effets d’autres facteurs de risque.
Des antécédents de cancer, de cardiomyopathie et de maladie pulmonaire obstructive chronique (MPOC) étaient plus susceptibles d’être associés à une maladie grave chez les patients plus jeunes que chez les patients plus âgés, tandis que la maladie rénale est liée à la progression de la maladie dans le groupe plus âgé. L’âge lui-même est un facteur de risque d’issue critique et mortelle chez les patients plus jeunes, tout comme l’IMC.
De plus, les résultats à l’admission concernant le besoin en oxygène et les signes vitaux étaient les plus prédictifs de la progression de la maladie. Dans ce groupe, outre l’âge et les facteurs vitaux, des taux de créatinine plus élevés et des taux de calcium plus bas étaient d’une importance accrue.
Cependant, les résultats de laboratoire étaient plus importants chez les patients plus âgés, en particulier l’urée sanguine, l’AST, le calcium inférieur et le bicarbonate. Associés à un agrégat de la fréquence respiratoire, de la pression artérielle et de la saturation en oxygène, ces facteurs ont prédit la maladie critique la meilleure dans ce groupe.
À mesure que les plaquettes et les lymphocytes chutent tandis que les valeurs de créatinine et le nombre de neutrophiles augmentent, le risque de maladie grave augmente. Un faible taux de calcium prédisait la gravité dans les deux groupes d’âge, mais plus encore dans le groupe plus âgé.
« Pour les adultes hospitalisés, les données de base qui sont facilement disponibles dans l’heure qui suit l’admission à l’hôpital ou un premier test positif pour le SRAS-CoV-2 en milieu hospitalier peuvent prédire une maladie grave en un jour et jusqu’à 56 jours plus tard.” Outre la distinction entre le rôle des facteurs de risque spécifiques dans différents groupes d’âge, les résultats ont montré que les signes vitaux et les résultats de laboratoire étaient plus importants que les antécédents de maladie ou le sexe pour prédire la gravité.
Les résultats de cette approche de modélisation stratifiée selon l’âge fournissent une compréhension avancée des facteurs de risque actuels pour les résultats graves de la COVID-19 et peuvent aider à éclairer les décisions en matière de soins et à prioriser les prochaines étapes de la recherche.”